ВВЕДЕНИЕ 4
1. ТРАДИЦИОННЫЕ МЕТОДЫ ОБРАБОТКИ..... 6
1.1 Аналоговые методы обработки сигналов 6
1.2 Простейшие цифровые методы обработки сигнала 12
1.3 Методы обнаружения импульса 15
2. ДЕТЕКТОРЫ ИОНИЗИРУЮЩЕГО ИЗЛУЧЕНИЯ 17
2.1 Сцинтилляционные детекторы ионизирующего излучения 19
2.2 Пропорциональный счётчик... 21
2.3 Полупроводниковый детектор 22
3. ВВЕДЕНИЕ В ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ 24
3.1 История нейронных сетей 24
3.2 Теория ИНС 25
3.3 Обучение ИНС 28
3.4 Применение ИНС.... 33
4. ЭКСПЕРИМЕНТАЛЬНАЯ ЧАСТЬ 36
4.1 Используемые программы 36
4.2 Алгоритмы и инструменты 39
4.3 Результаты 49
5. ВЫВОДЫ 61
Список литературы
Искусственные нейронные сети (ИНС) известны с 50-х годов прошлого века. Однако в то время они не нашли широкого применения из-за малых вычислительных возможностей. Сегодня компьютерные технологии шагнули далеко вперёд. Вычисление и обучение ИНС доступно теперь широкой массе людей и может производится на домашних персональных компьютерах. Это привело к повсеместному распространению ИНС и применению их в самых различных областях человеческой жизни. Они нашли применение в обработке изображений, предсказании цен на акции, предсказание погода и во многом другом.
Интересной особенностью ИНС является их способность аппроксимировать какую-либо функцию с заранее заданной точностью. Это применяется, например, в обработке изображений разной степени зашумлённости. ИНС, получая сигнал в виде зашумлённого изображения, способна выделить из него черты лица человека или силуэт какого либо животного. Такие способности ИНС могут быть использованы также для обработки зашумлённых сигналов с детекторов частиц.
Особенно остро проблема обработки сигналов с детекторов частиц стоит в мёссбауэровской спектроскопии (МС). Как правило в МС используются гамма кванты с весьма небольшой энергией. Эта энергия в детекторах частиц преобразуется в электрический импульс, пропорциональный этой энергии. Помимо электрический импульсов, существуют электрические шумы аппаратуры, применяемой в детектировании. Эти шумы возникают по разным причинам: из-за флуктуаций в детекторах, из-за шума кремниевой электроники и других. Такие шумы по амплитуде лишь немного меньше, чем электрические импульсы, возникающие вследствие попадание частицы. В результате чего, энергетический пик уширяется, что негативно сказывается на качестве получаемого мёссбауэровского спектра.
Для того, чтобы как-то выделить из зашумлённого сигнала полезную составляющую существуют методы обработки сигнала. Они подразделяются на цифровые и аналоговые. Аналоговые методы довольно стары, но надёжнее. Они используют аналоговые компоненты, чтобы выделять из сигнала необходимые составляющие. Цифровые методы используют предварительно оцифрованный сигнал быстрым аналого-цифровым преобразователем (АЦП). К оцифрованному сигналу они применяют математические методы обработки, которые могут симулировать какой-либо аналоговый элемент, или применять методы, которые аналоговым способом реализовать невозможно. Такие методы стали доступны благодаря развитию компьютерной техники.
К цифровым методам обработки относятся также методы обработки с помощью ИНС. ИНС обладают колоссальным потенциалом для обработки зашумлённых сигналов с детекторов. Благодаря тому, что ИНС можно обучить для обработки любого сигнала, применение их можно назвать перспективным направлением для гамма спектроскопии (ГС) в общем и МС в частности.
Актуальность этой работы заключается в её научной ценности. До этого не проводилось исследование сигнала непосредственно ИНС. Как правило, они использовались как дополнение к существующим методам. Более того не проводилось анализа по производительности.
В данной работе показано, насколько хорошо ИНС способны обрабатывать зашумлённый сигнал, какие необходимые вычислительные затраты для реализации этого метода, и какую загрузку они способны обработать.
Конечной целью данной работы является выяснение применимости ИНС во встаиваемых системах, где требования к производительности очень высоки.
ИНС в данной работе показали себя хорошим инструментом для обработки сигнала с детекторов частиц.
1. Несмотря на свою простоту и простоту своей реализации, они смогли обрабатывать сигналы высокой зашумлённости и с высокими загрузками. По качеству обработки сигнала они немного уступили МНК, но существенно превзошли МНК по обработке сигнала с высокими уровнями загрузки, что показывает их применимость в схемах с высокими скоростями счёта.
2. По производительности метод ИНС значительно превзошёл МНК. Время, требуемое для обработки сигнала методом ИНС на порядки меньше, чем для аналогичной обработки МНК. Это показывает, что их применение во встраиваемых системах оправдано.
3. Идея обрабатывать сигналы с применением дискриминирующей ИНС показала свою продуктивность. Такая ИНС позволила существенно сократить количество ложных детектирований импульса и очистить спектр от шумовых компонент.
